Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles

Este estudo apresenta um sistema inovador baseado em visão computacional e no modelo YOLO para classificar comportamentos de direção inseguros, como distração e embriaguez, através da observação externa de veículos não conectados, utilizando análise de deslocamento lateral e monitoramento de posição na faixa.

O essencial

Imagine que você está dirigindo e, de repente, percebe que o carro à sua frente está fazendo movimentos estranhos: ele balança de um lado para o outro, sai da faixa e volta, como se o motorista estivesse distraído olhando o celular ou, pior, dirigindo sob efeito de álcool.

No mundo real, se você não tiver um rádio ou um sistema de comunicação especial com esse carro, você só pode olhar para ele e tentar adivinhar o que está acontecendo. É exatamente isso que os pesquisadores Ian Nell e Shane Gilroy, da Irlanda, criaram: um "olho digital" inteligente para carros autônomos.

Aqui está a explicação do trabalho deles, traduzida para uma linguagem simples e cheia de analogias:

🚗 O Problema: O "Silêncio" nas Estradas

Hoje em dia, a maioria dos carros não conversa entre si. Eles são como pessoas em uma sala cheia de gente, onde ninguém tem um walkie-talkie. Se um carro começa a andar de forma perigosa, os outros carros (ou o carro autônomo) não recebem um alerta automático dizendo: "Ei, esse cara está bêbado!". Eles precisam descobrir sozinhos.

👁️ A Solução: O "Detetive de Vidro"

Os autores criaram um sistema que funciona como um detetive particular instalado no para-brisa do carro. Em vez de usar sensores caros ou pedir ajuda a outros carros, ele usa apenas uma câmera comum (como a do seu celular ou de um dashcam) e um cérebro de computador muito esperto.

O sistema faz três coisas principais:

1. O "Olho Águia" (YOLO):
   Imagine que o sistema tem um superpoder de enxergar e identificar coisas instantaneamente. Ele usa uma tecnologia chamada YOLO (que significa "Você Só Olha Uma Vez"). É como se o carro tivesse um assistente que aponta para cada veículo na estrada e diz: "Isso é um carro, aquilo é um caminhão, e aquele ali é o nosso alvo".

2. O "Fio de Prumo" (Detecção de Faixas):
   O sistema também desenha linhas invisíveis no chão, seguindo as faixas da estrada. É como se ele tivesse um fio de prumo (aquela linha de chumbo que pedreiros usam para ver se a parede está reta). Ele sabe exatamente onde é o centro da faixa.

3. O "Analista de Dança" (Análise de Movimento):
   Aqui está a mágica. O sistema vigia como o carro da frente se move em relação a esse "fio de prumo".

   • Motorista Distraído: Se o carro começa a "flutuar" para longe do centro da faixa, como um barco sem leme, o sistema grita: "Atenção! Alguém está distraído!".
   • Motorista Embriagado/Impedido: Se o carro começa a fazer um "balé" errático, indo para a esquerda e para a direita repetidamente (como quem está tentando andar em linha reta mas está tonto), o sistema percebe esses "sinais de mudança" e avisa: "Perigo! Alguém parece estar com a direção comprometida!".

🎭 Como eles testaram isso?

Os pesquisadores não apenas teorizaram; eles foram para a estrada.

• Eles montaram uma câmera no carro de teste.
• Eles simularam situações perigosas: um carro dirigindo "ziguezagueando" (como se estivesse bêbado) e outro saindo da faixa (como se estivesse olhando o celular).
• O sistema funcionou muito bem! Ele conseguiu ver os movimentos estranhos, desenhar as linhas da estrada e disparar um alarme visual e sonoro, tudo em tempo real.

🌧️ Os Desafios (Onde o sistema ainda tropeça)

Nenhum detetive é perfeito. O sistema teve algumas dificuldades:

• O "Dia de Chuva": Quando chove muito ou há neblina, a câmera tem dificuldade em ver as linhas da estrada, assim como nós humanos.
• O "Asfalto Velho": Se as faixas da estrada estão apagadas ou desbotadas, o sistema perde o "fio de prumo" e fica confuso.
• Buracos na Estrada: Às vezes, um carro pula um buraco e balança. O sistema pode confundir esse balanço físico com um motorista bêbado (falso alarme).

🚀 Por que isso é importante?

A gente está vivendo uma fase de transição. Teremos carros dirigidos por humanos e carros totalmente autônomos (robôs) nas mesmas estradas por muitos anos.
Este sistema é como um tradutor universal. Ele permite que o carro autônomo "entenda" o comportamento do motorista humano apenas olhando para ele, sem precisar que o motorista tenha um computador especial no carro.

Em resumo:
Os pesquisadores criaram um "olho inteligente" que vigia os carros à frente. Se ele vê um carro dançando na pista ou saindo da faixa, ele avisa o carro autônomo para ter cuidado. É uma tecnologia que promete tornar nossas estradas mais seguras, ajudando os robôs a conviverem com os humanos, mesmo quando não conseguimos "falar" diretamente com eles.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Classificação de Comportamento de Motoristas Usando Técnicas de Observação Externa para Veículos Autônomos", apresentado em português:

1. Problema Identificado

O artigo aborda a persistência de acidentes de trânsito globais, onde o erro humano — especificamente a distração e a comprometimento (ex.: embriaguez ou fadiga) — são causas principais. Embora existam sistemas de assistência à condução (ADAS) e veículos autônomos, a maioria dos veículos em circulação (níveis SAE 0 a 2) carece de conectividade avançada (como comunicação Veículo-a-Veículo - V2V).

• Desafio Central: A incapacidade dos sistemas autônomos ou semi-autônomos de detectar e reagir a comportamentos inseguros de veículos não conectados em tráfego misto, uma vez que não podem depender de dados transmitidos pelo próprio veículo infrator.
• Necessidade: Desenvolver métodos que infiram estados cognitivos ou fisiológicos (distração/comprometimento) baseando-se apenas em padrões de condução observáveis externamente, sem necessidade de sensores internos no veículo alvo.

2. Metodologia

O estudo propõe um sistema baseado em visão computacional que utiliza uma câmera monocular externa para monitorar e classificar o comportamento de outros veículos.

• Configuração de Hardware: Utilização de uma câmera de painel (Garmin 55) montada no para-brisa do veículo de observação ("ego vehicle"), capturando vídeo em 1440p a 30 FPS.
• Pipeline de Processamento:
  1. Detecção de Objetos: Emprego do modelo YOLOv8n (You Only Look Once) para identificar veículos e outros usuários da via em tempo real. O modelo foi treinado no conjunto de dados Microsoft COCO, oferecendo um equilíbrio entre velocidade de inferência (2–4 ms/frame) e precisão.
  2. Detecção de Faixas: Um pipeline de pré-processamento de imagem inclui conversão para escala de cinza, desfoque gaussiano, limiarização adaptativa e detecção de bordas Canny. As linhas da faixa são ajustadas usando regressão RANSAC e curvas polinomiais para estimar os limites da faixa e o centro.
  3. Análise de Comportamento: O sistema calcula o deslocamento lateral do centróide do veículo detectado em relação ao centro da faixa.
     • Distração: Detectada quando o deslocamento lateral médio excede um limite (ex: >0,3 pixels) e o desvio do centro da faixa é significativo (>40 pixels).
     • Comprometimento (Impairment): Detectada através de comportamento oscilatório, identificado pela contagem de mudanças de sinal na direção lateral (três ou mais mudanças indicam direção errática).
• Saída do Sistema: O sistema gera alertas em tempo real ("Motorista Distraído à Frente" ou "Motorista Comprometido à Frente") e registra dados detalhados (ID do objeto, classe, deslocamento lateral, desvio da faixa, mudanças de sinal) em arquivos CSV.

3. Principais Contribuições

• Abordagem Não-Invasiva e Externa: O sistema não requer sensores embarcados no veículo monitorado nem comunicação V2V, tornando-o aplicável a qualquer veículo em tráfego misto.
• Framework de Classificação Híbrido: Integração de detecção de objetos (YOLO) com algoritmos personalizados de estimativa de faixa e análise de trajetória lateral para inferir estados de condução.
• Validação em Cenários Diversos: O sistema foi testado em rodovias, estradas locais e ruas secundárias, sob diferentes condições de iluminação e tipos de marcação viária.
• Solução para a Fase de Transição: Oferece uma solução escalável para melhorar a segurança durante o período em que veículos manuais e autônomos coexistem nas vias públicas.

4. Resultados

Os experimentos demonstraram a eficácia do sistema na detecção de comportamentos inseguros:

• Detecção de Distração: O sistema identificou consistentemente desvios laterais e oscilações suaves, acionando o alarme quando os limiares de desvio foram ultrapassados. A precisão foi alta em condições ideais de marcação viária.
• Detecção de Comprometimento: O algoritmo conseguiu detectar padrões oscilatórios erráticos (mudanças de direção frequentes), acionando o alarme após a terceira mudança de sinal detectada.
• Limitações Observadas:
  • A precisão diminuiu em condições adversas (chuva, neblina) e em estradas com marcações desbotadas ou ausentes.
  • Houve falsos positivos quando movimentos causados por imperfeições na pista (ex.: buracos) foram interpretados como comportamento de direção inseguro.
  • O desempenho em tempo real degradou-se em cenas com múltiplos objetos em movimento, sugerindo a necessidade de aceleração de hardware.

5. Significado e Conclusão

O trabalho valida a viabilidade de usar técnicas de observação externa para classificar o comportamento do motorista, preenchendo uma lacuna crítica na segurança de veículos autônomos que operam em ambientes sem conectividade total.

• Impacto na Segurança: Ao permitir que veículos autônomos "vejam" e antecipem comportamentos perigosos de outros motoristas (mesmo que não conectados), o sistema pode reduzir colisões e melhorar a fluidez do tráfego.
• Futuro: Os autores propõem melhorias futuras, incluindo a integração de sensores multimodais (LiDAR, Radar) para superar limitações climáticas, expansão de conjuntos de dados para cenários mais diversos e refinamento de algoritmos para reduzir falsos positivos causados por irregularidades na pista.

Em suma, esta pesquisa oferece um passo significativo rumo a sistemas de transporte inteligentes mais robustos, capazes de garantir a coexistência segura entre condutores humanos e máquinas autônomas.